Cab Fare Prediction

การทำนายรถแท็กซี่

โฟลเดอร์ GitHub ประกอบด้วย:

1. รหัสโครงการใน 'รูปแบบ' r ': การทำนายค่าโดยสารโดยใช้ RR
2. Python Code of Project ใน '.iPynb Format': การทำนายค่าโดยสารโดยใช้ Python.ipynb
3. รายงานโครงการ: การทำนายค่าโดยสารรถแท็กซี่ pdf
4. คำสั่งปัญหา pdf
5. โมเดลที่บันทึกไว้ซึ่งได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลการฝึกอบรมทั้งหมดจาก Python: CAB_FARE_XGBOOST_MODEL.RAR.RAR
6. โมเดลที่บันทึกไว้ซึ่งได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลการฝึกอบรมทั้งหมดจาก Python: final_xgboost_model_using_r.rar
7. การคาดการณ์เกี่ยวกับชุดข้อมูลการทดสอบในรูปแบบ CSV: การคาดการณ์

คำสั่งปัญหา

วัตถุประสงค์ของโครงการนี้คือการทำนายจำนวนค่าโดยสาร CAB ตามคุณสมบัติข้อมูลต่อไปนี้ในชุดข้อมูลมีดังนี้:

 pickup_datetime - timestamp value indicating when the cab ride started.
pickup_longitude - float for longitude coordinate of where the cab ride started.
pickup_latitude - float for latitude coordinate of where the cab ride started.
dropoff_longitude - float for longitude coordinate of where the cab ride ended.
dropoff_latitude - float for latitude coordinate of where the cab ride ended.
passenger_count - an integer indicating the number of passengers in the cab ride.

มันเป็นปัญหาการถดถอย

ขั้นตอนทั้งหมดที่ใช้ในโครงการนี้

1. การประมวลผลข้อมูลล่วงหน้า
2. การสร้างภาพข้อมูล
3. การวิเคราะห์ค่าผิดปกติ
4. การวิเคราะห์มูลค่าที่ขาดหายไป
5. การเลือกคุณสมบัติ

• การวิเคราะห์สหสัมพันธ์
• การทดสอบไคสแควร์
• การวิเคราะห์การทดสอบความแปรปรวน (ANOVA)
• การทดสอบ Multicollinearity

6. การปรับขนาดคุณลักษณะ

• การทำให้เป็นมาตรฐาน

7. แยกเป็นชุดข้อมูลรถไฟและการตรวจสอบความถูกต้อง
8. การเพิ่มประสิทธิภาพแบบไฮเปอร์พารามิเตอร์
9. การพัฒนาแบบจำลอง I. การถดถอยเชิงเส้น II การถดถอยริดจ์ III การถดถอย Lasso IV ต้นไม้ตัดสินใจ V. ป่าสุ่ม
10. ปรับปรุงความแม่นยำ a) การปรับแต่งอัลกอริทึม b) วงดนตรี ------ XGBOOST สำหรับการถดถอยสรุปแบบจำลอง A) การคาดการณ์ในชุดข้อมูลการตรวจสอบความถูกต้อง b) สร้างแบบจำลองแบบสแตนด์อโลนในชุดข้อมูลการฝึกอบรมทั้งหมด c) บันทึกโมเดลสำหรับการใช้งานในภายหลัง
11. รหัส Python